[发明专利]一种基于多尺度卷积U-Net的癌细胞图像分割方法

说明书

一种基于多尺度卷积U‑Net的癌细胞图像分割方法，包括以下步骤：步骤1.运行环境平台与数据集格式，pytorch框架下基于python版U‑Net网络结构，使用的数据集格式为VOC2012；步骤2.优化的网络结构，得到MC‑UNet网络结构；步骤3、得到分割结果，过程如下：将整张图片输入MC‑UNet进行特征提取；在网络最后一层，使用1x1卷积将每个64分量特征向量映射到期望数量的类。本发明改善遮挡高密度或遮挡情况下的分割准确性。

技术领域

本发明提出了一种基于多尺度卷积U-Net的癌细胞图像分割方法，属于深度学习语义分割领域。

技术背景

在生物医学工程的基础研究中，微观细胞的背景检测和分割在分析细胞动力学中起着重要作用。然而，由于高密度，低对比度，可变形的细胞形状，低的细胞间形状和外观变化以及通过分裂或融合尤其是在相差显微镜图像中将细胞闭塞，这仍然是一项艰巨的任务。近年来，Unet已广泛应用于生物医学图像分割领域，并且通过针对各自不同的问题扩展各种版本而取得了许多重大突破。然而，这些网络很少关注诸如细胞边界和非常小的细胞之类的小特征，这容易导致对于具有不同大小的细胞的不良分割性能。在这项工作中，我们提出了用于显微镜下细胞分割的多尺度卷积Unet(称为MC-Unet)。

传统方法根据分割时所依据图像特性不同分很多类基于阈值、基于区域、基于图等。用基于深度学习的神经网络来进行图像分割，是近几年发展较快的一个领域。当前最成功的图像分割深度学习技术都是基于一个共同的先驱：FCN(Fully ConvolutionalNetwork，全卷积神经网络)。2014年，来自伯克利的全卷积网络，去掉了末端的全连接层。随后的语义分割模型基本上都采用了这种结构。除了全连接层，语义分割另一个重要的问题是池化层。池化层能进一步提取抽象特征增加感受域，但是丢弃了像素的位置信息。但是语义分割需要类别标签和原图像对齐，因此需要从新引入像素的位置信息。有两种不同的架构可以解决此像素定位问题。

与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类(全联接层+softmax输出)不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样,使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行逐像素分类。

发明内容

本发明要克服现有技术的上述缺点，本发明选取U-Net网络结构作为深度学习分割框架，并对U-Net网络结构进行结构上的改进。原有Unet通常在每层中使用两个3x3卷积，并且不能有效地处理不同大小的分段对象。在本方法中，每层的两个3x3卷积被多尺度卷积(MC)块替换，并且MC块包含三个并行的卷积，并行卷积具有不同的卷积核大小，这些大小不同的卷积核可以具有不同的感受野，并且这种结构可以提取不同大小的对象特征。

为了解决上述技术问题，本发明能够提供如下的技术方案：

一种基于多尺度卷积U-Net的癌细胞图像分割方法，所述方法包括以下步骤：

步骤1.运行环境平台与数据集格式；

pytorch框架下基于python版U-Net网络结构，使用的数据集格式为VOC2012；

步骤2.优化的网络结构，过程如下：

将原有Unet每层中使用的两个3x3卷积用多尺度卷积块(MC块)替换。每个MC块包含三行并行的卷积，它们具有不同的卷积核大小，例如1x1、3x3和5x5，MC块的输出是这三个卷积输出相加结果，其余与标准Unet相同，相应的结构如图1所示，这些大小不同的卷积核可以具有不同的感受野，并且这种结构可以提取不同大小的对象特征；

步骤3、得到分割结果，过程如下：